Google: Gemini 3.5 Transcribe

Google Gemini 3.5 Transcribe é o modelo síncrono para converter ficheiros áudio completos, previamente gravados, em fala escrita. Baseia-se nas capacidades de compreensão de áudio do Gemini, mas tem um contrato de entrada e saída específico de transcrição. A edição separada Gemini 3.5 Transcribe Live recebe um fluxo de áudio e devolve resultados incrementais. Este modelo de áudio gravado produz uma transcrição concluída, com temporização de palavras ou atribuição de locutores opcionais, conforme a configuração selecionada.

Prepare uma gravação clara com fala sem distorção grave por saturação e, quando possível, com separação significativa entre vozes. Os exemplos síncronos do fabricante transmitem áudio WAV como bytes de ficheiro ou um recurso áudio guardado, especificando o respetivo tipo MIME. Mantenha o áudio original disponível para revisão. O resultado pretendido pode ser uma transcrição verificada de entrevista, um registo de alinhamento de legendas ou ditado legível; decida que artefacto é necessário antes de combinar funcionalidades que alterem a formulação ou acrescentem metadados.

A Google documenta deteção automática de língua em mais de 85 línguas, incluindo mistura de línguas numa sessão. Os níveis de suporte linguístico variam e uma indicação de língua conhecida pode melhorar o reconhecimento. O vocabulário personalizado fornece nomes distintos, marcas ou termos especializados com probabilidade de ocorrerem. O fabricante permite até 1 000 termos e observa que listas focadas de até cerca de 100 costumam funcionar melhor. Mantenha os termos pouco comuns relevantes para a gravação e verifique-os face ao áudio, em vez de pressupor que uma indicação de vocabulário prova que o termo foi pronunciado.

VERBATIM é o modo predefinido. Preserva palavras de preenchimento, repetições, falsos começos e correções faladas, para que o texto continue a ser um registo da formulação. Este é o modo a utilizar quando a tarefa exige marcas temporais ao nível da palavra ou diarização de locutores. Para uma entrevista, por exemplo, preserve os turnos e as temporizações originais e depois corrija nomes e quantidades importantes escutando a passagem relevante. Um resumo posterior ou um artigo aperfeiçoado podem utilizar esse registo verificado sem substituir silenciosamente o que o locutor disse.

O modo SMART foi concebido para ditado legível. Remove disfluências, resolve autocorreções no decorrer da fala e estrutura o material falado em parágrafos ou listas, com datas e números normalizados quando adequado. Uma lista de tarefas ditada pode tornar-se uma lista legível, em vez de uma cadeia de transições faladas. Esse processamento altera a forma da transcrição. A Google afirma explicitamente que SMART é incompatível com marcas temporais de palavras e diarização; escolha-o, por isso, quando o artefacto exigido for texto legível, em vez de tentar utilizá-lo como registo temporizado com atribuição de locutores.

Quando a temporização de palavras está ativada, a resposta inclui palavras reconhecidas com deslocamentos de início e fim. Estes permitem localizar uma correção na gravação ou preparar legendas. O fabricante identifica um compromisso de exatidão decorrente da ativação de marcas temporais ao nível da palavra. Reveja o texto e o alinhamento, sobretudo em fala rápida, sobreposição ou terminologia invulgar. Uma transcrição temporizada útil mantém o registo de palavras e o áudio de origem em conjunto, em vez de tratar uma frase fluente como prova de que o seu alinhamento está correto.

A diarização de locutores identifica e rotula vozes em áudio gravado, com até oito locutores documentados. A atribuição para três ou mais locutores é descrita pelo fabricante como experimental. Trate os rótulos como agrupamentos de locutores inferidos e reveja as transições face à gravação. Um rótulo de locutor não é prova independente da identidade ou função de uma pessoa. Se a tarefa precisar de nomes, associe os rótulos à informação conhecida da gravação, em vez de inventar identidades a partir das palavras reconhecidas.

A tabela de funcionalidades do fabricante apresenta uma janela de áudio gravado de 15 minutos, com processamento de ficheiros limitado a essa duração quando funcionalidades como marcas temporais ou diarização estão ativadas. Prepare material de origem mais longo em segmentos adequados, preservando a respetiva ordem e posição temporal original. A transcrição do modelo, as palavras temporizadas e as partes com rótulos de locutor são representações de resultado diferentes; preserve a representação necessária para a tarefa. Estes limites específicos de áudio não devem ser substituídos por valores de contexto ou duração de um modelo multimodal Gemini geral. A Google apresenta a formatação SMART, as marcas temporais ao nível da palavra e a diarização de locutores como funcionalidades experimentais.

O contrato de saída é específico de transcrição. A formatação SMART cria texto legível, mas não acrescenta um contrato geral de resposta com esquema JSON, capacidade de chamadas de ferramentas ou um fluxo de trabalho de assistente que segue instruções. Para o artefacto final, verifique a formulação importante, os números e as negações face ao áudio, preserve qualquer segmento por resolver para correção e mantenha o modo selecionado com o resultado. Isto deixa claro se o artefacto regista a formulação falada original ou apresenta uma versão de leitura editada derivada dela.